CN111401131A - 隧道管廊的图像处理方法、装置、计算机设备和存储介质 - Google Patents
隧道管廊的图像处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111401131A CN111401131A CN202010091767.5A CN202010091767A CN111401131A CN 111401131 A CN111401131 A CN 111401131A CN 202010091767 A CN202010091767 A CN 202010091767A CN 111401131 A CN111401131 A CN 111401131A
- Authority
- CN
- China
- Prior art keywords
- image
- recognized
- recognition model
- recognition
- pipe gallery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012706 support-vector machine Methods 0.000 claims description 22
- 230000009471 action Effects 0.000 claims description 18
- 230000009194 climbing Effects 0.000 claims description 18
- 230000000391 smoking effect Effects 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 9
- 239000010410 layer Substances 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000001788 irregular Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种隧道管廊的图像处理方法、装置、计算机设备和存储介质。所述方法包括：获取隧道管廊的待识别图像；将所述待识别图像输入至训练好的图像识别模型中进行目标识别，得到所述待识别图像的识别结果；根据所述识别结果生成控制指令，所述控制指令用于对所述隧道管廊进行自动监控。采用本方法能够提高了对隧道管廊的安全检测的准确性。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种图像处理方法、装置、计算机设备和存储介质。
背景技术
综合管廊就是地下城市管道综合走廊，即在城市地下建造一个隧道空间，将电力、通信，燃气、供热、给排水等各种工程管线集于一体，设有专门的检修口、吊装口和监测系统，实施统一规划、统一设计、统一建设和管理，是保障城市运行的重要基础设施和“生命线”。地下综合管廊系统不仅解决城市交通拥堵问题，还极大方便了电力、通信、燃气、供排水等市政设施的维护和检修。
然而，现有的地下综合管廊巡检方式以人工巡视为主，导致管廊隧道安全性的检测结果不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高隧道管廊安全性的检测结果准确性的隧道管廊的图像处理方法、装置、计算机设备和存储介质。
一种隧道管廊的图像处理方法，所述方法包括：
获取隧道管廊的待识别图像；
将所述待识别图像输入至训练好的图像识别模型中进行目标识别，得到所述待识别图像的识别结果；
根据所述识别结果生成控制指令，所述控制指令用于对所述隧道管廊进行自动监控。
在其中一个实施例中，在所述获取隧道管廊的待识别图像之前，所述方法还包括：
采集隧道管廊的原始图像；
从所述原始图像中获取预设目标区域的目标图像，对所述目标图像进行标记得到所述预设目标区域的掩模图；
根据所述掩模图和所述原始图像构建图像样本库，通过卷积神经网络模型对所述图像样本库中的每个图像样本进行训练，得到训练好的图像识别模型。
在其中一个实施例中，所述目标识别为工人数量识别；所述将所述待识别图像输入至训练好的图像识别模型中，通过所述图像识别模型对所述待处理图像中的进行目标识别，得到所述待识别图像的识别结果，包括：
将所述待识别图像输入至训练好的图像识别模型中，通过所述图像识别模型中识别所述待处理图像中的带有目标标记的工人，得到所述待识别图像中的工人数量，所述工人数量为所述待识别图像的识别结果。
在其中一个实施例中，所述目标识别为工人体位识别；所述将所述待识别图像输入至训练好的图像识别模型中，通过所述图像识别模型对所述待处理图像中的进行目标识别，得到所述待识别图像的识别结果，包括：
将所述待识别图像输入至训练好的图像识别模型中，通过所述图像识别模型对所述待处理图像中的工人体位进行识别，得到所述工人体位的识别结果；所述工人体位为攀爬、卧倒或抽烟动作。
在其中一个实施例中，所述目标识别为工人着装识别；所述将所述待识别图像输入至训练好的图像识别模型中，通过所述图像识别模型对所述待处理图像中的进行目标识别，得到所述待识别图像的识别结果，包括：
将所述待识别图像输入至训练好的图像识别模型中，通过所述图像识别模型对所述待处理图像中的工人着装进行识别，得到所述待处理图像中的工人着装的识别结果；所述工人着装包括工人身着安全帽或工作服中至少一种。
在其中一个实施例中，所述目标识别为火灾识别；所述将所述待识别图像输入至训练好的图像识别模型中，通过所述图像识别模型对所述待处理图像中的进行目标识别，得到所述待识别图像的识别结果，包括：
统计所述待识别图像的方向梯度直方图以及在HSL空间下的颜色直方图；
对所述方向梯度直方图和所述颜色直方图分别进行归一化处理，得到归一化方向梯度直方图和归一化颜色直方图；
将所述归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，得到所述待识别图像中的分类结果；所述分类结果用于确定所述隧道管廊的状态。
在其中一个实施例中，所述待识别图像中包括位置水印，在所述将所述归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，得到所述待识别图像的分类结果之前，所述方法还包括：
通过识别所述位置水印，确定位置信息；
根据所述位置信息从所述图像识别模型中确定对应的支持向量机；
所述将所述归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，得到所述待识别图像的分类结果，包括：
将所述归一化方向梯度直方图和归一化颜色直方图输入至所述支持向量机中，得到所述待识别图像的分类结果。
一种隧道管廊的图像处理装置，所述装置包括：
获取隧道管廊的待识别图像；
将所述待识别图像输入至训练好的图像识别模型中进行目标识别，得到所述待识别图像的识别结果；
根据所述识别结果生成控制指令，所述控制指令用于对所述隧道管廊进行自动监控。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取隧道管廊的待识别图像；
将所述待识别图像输入至训练好的图像识别模型中进行目标识别，得到所述待识别图像的识别结果；
根据所述识别结果生成控制指令，所述控制指令用于对所述隧道管廊进行自动监控。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取隧道管廊的待识别图像；
将所述待识别图像输入至训练好的图像识别模型中进行目标识别，得到所述待识别图像的识别结果；
根据所述识别结果生成控制指令，所述控制指令用于对所述隧道管廊进行自动监控。
上述隧道管廊的图像处理方法、装置、计算机设备和存储介质，通过获取隧道管廊的待识别图像；将待识别图像输入至训练好的图像识别模型中进行目标识别，得到待识别图像的识别结果；根据识别结果生成控制指令，控制指令用于对隧道管廊进行自动监控；不需要根据人工对隧道管廊的安全性进行检测，来获取对隧道管廊安全性的检测结果，避免了环境因素和人工操作失误对检测结果的影响，提高了对隧道管廊的安全检测的准确性。
附图说明
图1为一个实施例中隧道管廊的图像处理方法的应用环境图；
图2为一个实施例中隧道管廊的图像处理方法的流程示意图；
图3为一个实施例中图像识别模型训练方法的流程示意图；
图4为另一个实施例中用于火灾识别的隧道管廊的图像处理方法的流程示意图；
图5为一个实施例中隧道管廊的图像处理装置的结构框图；
图6为另一个实施例中隧道管廊的图像处理装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的隧道管廊的图像处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。通过终端102从服务器104中获取隧道管廊的待识别图像；将待识别图像输入至训练好的图像识别模型中进行目标识别，得到待识别图像的识别结果；根据识别结果生成控制指令，控制指令用于对隧道管廊进行自动监控。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种隧道管廊的图像处理方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤202，获取隧道管廊的待识别图像。
其中，待识别图像是通过监控设备获取的隧道管廊内实际情况的图像，其中，隧道管廊内实际情况可以包括隧道管廊内设备情况和人员特征信息。其中，人员特征信息可包括工人的着装、行为等情况；设备状态包括设备是否起火等情况；工人的着装、行为包括工人着装是否规范、工人体位是否规范。
具体地，通过隧道管廊内安装的摄像头采集隧道管廊的实时监控图像，把采集的实时监控图像上传至服务器中，终端从服务器中获取隧道管廊的待识别图像；可选地，采用的摄像头设备像素不低于200万，具备背光补偿和数字降噪功能，宽动态范围不低于120dB(分贝)，具有一个以上RJ45及10M以上自适应以太网通讯接口。可选地，待识别图像还可以是根据用户输入的地址从视频流服务器中获取相应的视频流，周期性截取视频流中的图像获取的。
步骤204，将待识别图像输入至训练好的图像识别模型中进行目标识别，得到所述待识别图像的识别结果。
其中，训练好的图像识别模型是根据事先准备好的图像样本通过卷积神经网络模型获取的。训练好的图像识别模型进行目标识别，可以包括工人着装识别、工人体位识别、工人数量识别以及火灾识别等。识别结果可以但不仅限于是工人数量、工人着装是否规范、工人体位是否违规以及管廊隧道的设备是否起火。
具体地，终端获取待识别图像后，将待识别图像输入至训练好的图像识别模型中进行目标识别，将所获取的图像与训练好的图像识别模型进行比对，进行卷积操作，得出物体特征，识别出带有目标标记的结果图像和目标数量，并将结果图像和识别出的工人数量写入到服务器的数据库中。其中，物体特征可以是待识别图像中的工人、工人体位、工人着装、设备是否着火等；目标标记可以是对物体特征的标记，不同的物体特征对应不同的目标标记；目标数量可以但不仅限于工人数量。
可选地，在一个实施例中，待识别图像上包括位置水印和时间水印，其中位置水印可以对应的隧道管廊位置的坐标信息以及获取待识别信息的摄像头设备的IP地址(Internet Protocol Address，互联网协议地址)等；时间水印可以包括待识别图像获取的时间等。在将待识别图像输入至训练好的图像模型之前，先识别待识别图像的位置水印和时间水印，获取待识别图像的位置数据和时间数据，存储获取的位置数据和时间数据；通过图像除水印工具去除待识别图像的位置水印和时间水印，把去除位置水印和时间水印的待识别图像输入至训练好的图像识别模型中进行目标识别，得到所述待识别图像的识别结果。在对待识别图像进行目标识别之前，去除待识别图像的位置水印和时间水印，避免位置水印和时间水印对待识别图像的识别结果的影响，提高了待识别图像的识别结果的准确性，进而提高了隧道管廊的安全性。
步骤206，根据识别结果生成控制指令，控制指令用于对隧道管廊进行自动监控。
其中，根据不同的识别结果可生成对应的控制指令。例如，从获取隧道管廊的待识别图像中获取识别的工人数量最多的待识别图像，根据生成的画面切换指令，自动切换到工人数量最多的监控界面；当识别到工人体位违或工人着装不符合规范时，生成报警指令，该报警指令产生报警信息可以通过语音播放，用于提示控制室值班人员，及时排查安全隐患。
具体地，终端把识别结果发送至隧道管廊对应的可编程逻辑控制器(Programmable Logic Controller，PLC)，PLC控制器根据识别结果生成对应的控制指令，通过控制指令对隧道管廊进行自动监控。例如，当检测到隧道管廊的设备起火，生成报警指令，并打开隧道管廊的通风设备和停止起火设备。其中，PLC控制器存在对应的人机交互界面，人机交互界面可用于为控制室值班人员提供隧道内的监控画面及识别模块对图片的分析结果，人机交互界面可以包括1个主界面和至少3个副界面，主界面用于显示管廊隧道的监控情况，副界用于手动设置路径；当监控区域内发现识别目标时，在主界面实时显示“有人员进入隧道”的信息、进入隧道的工人数量、是否佩戴安全帽和身着工作服，相关工人在隧道中的动作体位等信息；在人机界面对话框中还可以打印具体的摄像覆盖区域出现识别目标的信息等。
上述隧道管廊的图像处理方法中，通过获取隧道管廊的待识别图像；将待识别图像输入至训练好的图像识别模型中进行目标识别，得到待识别图像的识别结果；根据识别结果生成控制指令，控制指令用于对隧道管廊进行自动监控。即不需要根据人工对隧道管廊的安全性进行检测，来获取对隧道管廊安全性的检测结果，避免了环境因素和人工操作失误对检测结果的影响，提高了对隧道管廊的安全检测的准确性。
在一个实施例中，如图3所示，提供了一种图像识别模型训练方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤302，采集隧道管廊的原始图像。
其中，原始图像是用于训练的图像样本。图像样本中可以包括预设的工人样本、工人身着安全帽、工作服的规范图像样本、以及工人身着安全帽、工作服的不规范着装图像样本、工人攀爬、卧倒、吸烟的规范动作图像样本，以及工人身攀爬、卧倒、吸烟的不规范动作图像样本等。
具体地，通过隧道管廊内安装的摄像头采集隧道管廊的实时监控图像，获取隧道管廊的待识别图像；可选地，隧道管廊内安装的每一个摄像头训练一个残差网络模型，残差网络模型可用于图像分类识别且每一个摄像头的训练集不小于500张大小为1024*1024的图像，残差网络模型的训练过程中迭代次数为400～1000次，损失函数的返回值不大于0.03。采用的摄像头设备像素不低于200万，具备背光补偿和数字降噪功能，宽动态范围不低于120dB(分贝)，具有一个以上RJ45及10M以上自适应以太网通讯接口。
步骤304，从原始图像中获取预设目标区域的目标图像，对目标图像进行标记得到预设目标区域的掩模图。
其中，预设目标区域是指管廊隧道内摄像头监控的区域。图像掩模是指用选定的图像、图形或物体，对待处理的图像的全部或局部进行遮挡，保留感兴趣的对象轮廓内容，去除不感兴趣的对象轮廓内容。图像掩模可以但不仅限于提取感兴趣区，即用预先制作的感兴趣区掩模与待处理图像相乘，得到感兴趣区图像，感兴趣区内图像值保持不变，而区外图像值都为0。
具体地，从原始图像中获取管廊隧道内摄像头监控的区域的目标图像，对目标图像中预设的工人样本、工人身着安全帽、工作服的规范图像样本、以及工人身着安全帽、工作服的不规范着装图像样本、工人攀爬、卧倒、吸烟的规范动作图像样本，以及工人身攀爬、卧倒、吸烟的不规范动作图像样本进行标记，得到可以提取工人、工人身着安全帽、工作服的规范图像、以及工人身着安全帽、工作服的不规范着装图像、工人攀爬、卧倒、吸烟的规范动作图像，以及工人身攀爬、卧倒、吸烟的不规范动作图像的掩模图。
步骤306，根据掩模图和原始图像构建图像样本库，通过卷积神经网络模型对图像样本库中的每个图像样本进行训练，得到训练好的图像识别模型。
其中，图像样本库中包括用于训练的图像样本和测试的图像样本。通过卷积神经网络模型对图像样本库中的每个图像样本进行训练包括识别工人数量训练、工人体位识别训练、工人着装识别训练、火灾识别训练等。
具体地，根据掩模图和原始图像构建图像样本库，卷积神经网络模型对图像样本库中用于训练的每个图像样本进行训练过程包括：在卷积层中，将包含工人的图片分解为有重叠的3*3的像素块；将每个像素块输入一个简单的、单层的神经网路，且保持权重不变；将像素块集转化成一个矩阵，以数据形式表示照片中每个区域的内容，其中不同轴分别代表颜色、宽度、和高度通道，对于每一个图像块，都有一个3*3*3的表示，如果要处理视频，可以加入第四维度代表时间。在池化层中对3或4维的矩阵在空间维度上进行下采样，获取包含目标的图像，得到的包含目标的图像可用矩阵表示；将采样的矩阵作为全连接层的输入进行训练，得到训练好的图像识别模型。
可选地，卷积神经网络模型训练模型，用于通过训练的图像样本中的工人和背景训练出可以识别人物的二分类建模；二分类建模包括：5个卷积层模块组成的50个卷积层、1个均值池化层，1个全链接层和1个具有softmax函数模块的归一化层。卷积神经网络模型训练模块通过获取规范的攀爬、卧倒、抽烟动作图像样本，以及不规范攀爬、卧倒、抽烟动作图像样本进行训练，得到攀爬、卧倒、抽烟动作识别模型，从而进行工人体位识别。卷积神经网络模型训练模块通过获取规范的安全帽、工作服图像样本，以及工人身着安全帽、工作服不规范图像样本进行训练，得到工人着装识别模型，从而进行工人着装识别。
在一个实施例中，根据掩模图和原始图像构建图像样本库，通过卷积神经网络模型对图像样本库中的每个图像样本进行训练时，还可以根据设定的隧道管廊的坐标范围从图像样本库中获取设定数量的图像样本进行训练，得到训练好的图像识别模型，图像识别模型可包括用于火灾识别的支持向量机。根据坐标训练图像识别模型，减少隧道管廊的图像处理的时间，提高图像识别模型识别图像的效率，提高提高了对隧道管廊的安全检测的准确性。
上述图像识别模型训练方法，通过采集隧道管廊的原始图像，从原始图像中获取预设目标区域的目标图像，对目标图像进行标记得到预设目标区域的掩模图；根据掩模图和原始图像构建图像样本库，通过卷积神经网络模型对图像样本库中的每个图像样本进行训练，得到训练好的图像识别模型。通过先训练好的图像识别模型对摄像头采集的隧道管廊的图像进行识别，实时掌握隧道管廊的情况，代替人工检测，提高了隧道管廊检测的准确性；同时节省了处理时间和提高了隧道管廊的安全性。
在一个实施例中，如图4所示，提供了一种用于火灾识别的隧道管廊的图像处理方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤402，获取隧道管廊的待识别图像。
步骤404，统计待识别图像的方向梯度直方图以及在HSL空间下的颜色直方图。
其中，方向梯度直方图是指把获取的待识别图像按预设数量像素区分为预设数量份，获取每个像素区的每一个部分像素值，计算每个像素值的主要边缘方向；对这些边缘方向量进行分组；在每一个区域内，计算不同的边缘方向，从而得到待识别图像的方向梯度直方图。颜色直方图中的每个像素值存在对应的光谱，把它划分到柱状图中，将每一个像素值都映射到这些柱状里，可以计算出每一个不同柱状中像素点出现的频次。
步骤406，对方向梯度直方图和颜色直方图分别进行归一化处理，得到归一化方向梯度直方图和归一化颜色直方图。
步骤408，将归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，得到待识别图像中的分类结果；分类结果用于确定隧道管廊的状态。
具体的，将归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，通过分类算法对待识别图像的像素值和像素值出现的频次进行分类，得到待识别图像中的分类结果，分类结果用于确定隧道管廊的中设备是否起火状态。其中，像素值可以通过RGB值来表示，R是红色(Red)、G是绿色(Green)、B是蓝色(Blue)；火灾的火焰与非火焰对应的像素值不同，分类算法可以是AlexNet、VGG、GoogLeNet算法。
在一个实施例中，待识别图像中包括位置水印，在将归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，得到待识别图像的分类结果之前，方法还包括：
通过识别位置水印，确定位置信息；根据位置信息从图像识别模型中确定对应的支持向量机；将归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，得到待识别图像的分类结果，包括：将归一化方向梯度直方图和归一化颜色直方图输入至支持向量机中，得到待识别图像的分类结果。
具体地，通过识别位置水印，确定位置信息；根据位置信息从图像识别模型中确定对应的支持向量机；将归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，得到待识别图像的分类结果，包括：将归一化方向梯度直方图和归一化颜色直方图输入至支持向量机中，得到待识别图像的分类结果。根据位置信息直接获取对应的支持向量机，减少隧道管廊的图像处理的时间，提高对待识别图像的识别效率。
在一个实施例中，目标识别为工人数量识别；将待识别图像输入至训练好的图像识别模型中，通过图像识别模型对待处理图像中的进行目标识别，得到待识别图像的识别结果，包括：
将待识别图像输入至训练好的图像识别模型中，通过图像识别模型中识别待处理图像中的带有目标标记的工人，得到待识别图像中的工人数量，工人数量为待识别图像的识别结果。
具体地，把获取的管廊隧道的待识别图像输入到训练好的图像识别模型中，通过图像识别模型中的二分类建模对待识别图像中的工人进行识别，通过卷积操作，识别出带有目标标记的结果图像和工人数量，并将结果图像和识别出的工人数量写入数据库中。可选的，获取用户输入的视频地址，根据视频地址从视频流服务器中读取相应的视频流，周期性截取视频流中的图像得到待识别图像，待识别图像输入到训练好的图像识别模型中，通过图像识别模型中的二分类建模对待识别图像中的工人进行识别，通过卷积操作，识别出带有目标标记的结果图像和工人数量。
在一个实施例中，目标识别为工人体位识别；将待识别图像输入至训练好的图像识别模型中，通过图像识别模型对待处理图像中的进行目标识别，得到待识别图像的识别结果，包括：
将待识别图像输入至训练好的图像识别模型中，通过图像识别模型对待处理图像中的工人体位进行识别，得到工人体位的识别结果；工人体位为攀爬、卧倒或抽烟动作。
具体地，通过获取规范工人攀爬、卧倒、吸烟的规范动作图像样本，以及工人身攀爬、卧倒、吸烟的不规范动作图像样本，并对图像样本在算法服务器中进行预处理，调参后通过卷积神经网络进行训练，得到行为识别模型；通过训练好的图像识别模型中的行为识别模型对待识别图像进行识别，并判断工人体位是否规范；并对识别结果进行累加运算，若在预设周期内重复识别工人体位仍为不规范异常则生成将报警信息并发送至应用服务器。通过对工人体位检测识别检测，可以自动识别现场工人体位的情况，提高管廊隧道的安全性以及确保工人的生命安全。
在一个实施例中，目标识别为工人着装识别；将待识别图像输入至训练好的图像识别模型中，通过图像识别模型对待处理图像中的进行目标识别，得到待识别图像的识别结果，包括：
将待识别图像输入至训练好的图像识别模型中，通过图像识别模型对待处理图像中的工人着装进行识别，得到待处理图像中的工人着装的识别结果；工人着装包括工人身着安全帽或工作服中至少一种。
具体地，通过获取规范工人身着安全帽、工作服的规范图像样本，以及工人身着安全帽、工作服的不规范着装图像样本，并对图像样本在算法服务器中进行预处理，调参后通过卷积神经网络进行训练，得到着装识别模型；通过训练好的图像识别模型中的着装识别模型对待识别图像进行识别，并判断工人着装是否规范；并对识别结果进行累加运算，若在预设周期内重复识别到工人着装仍为不规范则生成报警信息并发送至应用服务器。通过对工人着装进行检测，可以自动识别现场工人的着装情况，提高管廊隧道的安全性以及确保工人的生命安全。
上述火灾识别的隧道管廊的图像处理方法，通过获取隧道管廊的待识别图像；统计待识别图像的方向梯度直方图以及在HSL空间下的颜色直方图；对方向梯度直方图和颜色直方图分别进行归一化处理，得到归一化方向梯度直方图和归一化颜色直方图；将归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，得到待识别图像中的分类结果；分类结果用于确定隧道管廊的状态；能第一时间发现火灾隐患，实现火灾全自动识别监控，提高了对隧道管廊的安全检测的准确性。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种隧道管廊的图像处理装置500，包括：获取模块502、图像识别模块504和控制模块506，其中：
获取模块502，用于获取隧道管廊的待识别图像。
图像识别模块504，用于将待识别图像输入至训练好的图像识别模型中进行目标识别，得到待识别图像的识别结果。
控制模块506，用于根据识别结果生成控制指令，控制指令用于对隧道管廊进行自动监控。
上述隧道管廊的图像处理装置中，通过获取模块502获取隧道管廊的待识别图像；将待识别图像输入至训练好的图像识别模型中通过图像识别模块504进行目标识别，得到待识别图像的识别结果；通过控制模块506根据识别结果生成控制指令，控制指令用于对隧道管廊进行自动监控。即不需要根据人工对隧道管廊的安全性进行检测，来获取对隧道管廊安全性的检测结果，避免了环境因素和人工操作失误对检测结果的影响，提高了对隧道管廊的安全检测的准确性。
在另一个实施例中，如图6所示，提供了一种隧道管廊的图像处理装置500，除包括获取模块502、图像识别模块504和控制模块506外，还包括图像采集模块508、图像处理模块510、模型训练模块512、统计模块514、归一化模块516、分类模块518和识别模块520，其中：
在一个实施例中，图像识别模块504还用于将待识别图像输入至训练好的图像识别模型中，通过图像识别模型中识别待处理图像中的带有目标标记的工人，得到待识别图像中的工人数量，工人数量为待识别图像的识别结果。
在一个实施例中，图像识别模块504还用于将待识别图像输入至训练好的图像识别模型中，通过图像识别模型对待处理图像中的工人体位进行识别，得到工人体位的识别结果；工人体位为攀爬、卧倒或抽烟动作。
在一个实施例中，图像识别模块504还用于将待识别图像输入至训练好的图像识别模型中，通过图像识别模型对待处理图像中的工人着装进行识别，得到待处理图像中的工人着装的识别结果；工人着装包括工人身着安全帽或工作服中至少一种。
图像采集模块508，用于采集隧道管廊的原始图像。
图像处理模块510，用于从原始图像中获取预设目标区域的目标图像，对目标图像进行标记得到预设目标区域的掩模图。
模型训练模块512，用于根据掩模图和原始图像构建图像样本库，通过卷积神经网络模型对图像样本库中的每个图像样本进行训练，得到训练好的图像识别模型。
模型训练模块512还包括坐标设定子模块，用于设定支持向量机所对应的坐标范围；样本采集子模块，用于采集确定坐标范围内的多张实地照片作为训练样本；支持向量机训练子模块，用于利用训练样本对支持向量机进行训练。
统计模块514，用于统计待识别图像的方向梯度直方图以及在HSL空间下的颜色直方图。
归一化模块516，用于对方向梯度直方图和颜色直方图分别进行归一化处理，得到归一化方向梯度直方图和归一化颜色直方图。
分类模块518，用于将归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，得到待识别图像中的分类结果；分类结果用于确定隧道管廊的状态。
分类模块518中还包括支持向量机选取子模块，用于根据位置信息选取对应于该位置的事先经过训练的支持向量机；输入子模块，用于将归一化方向梯度直方图、归一化颜色直方图以及时间信息输入支持向量机，得到分类结果。
识别模块520，用于通过识别位置水印，确定位置信息；根据位置信息从图像识别模型中确定对应的支持向量机。
在一个实施例中，分类模块518将归一化方向梯度直方图和归一化颜色直方图输入至支持向量机中，得到待识别图像的分类结果。
在一个实施例中，通过图像采集模块508采集隧道管廊的原始图像，图像处理模块510从原始图像中获取预设目标区域的目标图像，对目标图像进行标记得到预设目标区域的掩模图；通过模型训练模块512根据掩模图和原始图像构建图像样本库，通过卷积神经网络模型对图像样本库中的每个图像样本进行训练，得到训练好的图像识别模型。获取模块502获取隧道管廊的待识别图像；，将待识别图像输入至训练好的图像识别模型中通过图像识别模块504进行目标识别，得到待识别图像的识别结果；通过控制模块506根据识别结果生成控制指令，控制指令用于对隧道管廊进行自动监控。
其中，图像识别模块504可以用于将待识别图像输入至训练好的图像识别模型中，通过图像识别模型中识别待处理图像中的带有目标标记的工人，得到待识别图像中的工人数量，工人数量为待识别图像的识别结果。图像识别模块504还用于将待识别图像输入至训练好的图像识别模型中，通过图像识别模型对待处理图像中的工人体位进行识别，得到工人体位的识别结果；工人体位为攀爬、卧倒或抽烟动作。图像识别模块504还用于将待识别图像输入至训练好的图像识别模型中，通过图像识别模型对待处理图像中的工人着装进行识别，得到待处理图像中的工人着装的识别结果；工人着装包括工人身着安全帽或工作服中至少一种。当图像识别模块504用于火灾识别时，通过统计模块514统计待识别图像的方向梯度直方图以及在HSL空间下的颜色直方图；在归一化模块516对方向梯度直方图和颜色直方图分别进行归一化处理，得到归一化方向梯度直方图和归一化颜色直方图。根据识别模块520识别待识别图像中的位置水印，确定位置信息；根据位置信息从图像识别模型中确定对应的支持向量机后，将归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，通过分类模块518得到待识别图像中的分类结果；分类结果用于确定隧道管廊的状态。能够有效监督运维人员作业规范、运维人员行为规范，能实现火灾全自动识别监控。
关于隧道管廊的图像处理装置的具体限定可以参见上文中对于隧道管廊的图像处理方法的限定，在此不再赘述。上述隧道管廊的图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种隧道管廊的图像处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取隧道管廊的待识别图像；
将待识别图像输入至训练好的图像识别模型中进行目标识别，得到待识别图像的识别结果；
根据识别结果生成控制指令，控制指令用于对隧道管廊进行自动监控。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
采集隧道管廊的原始图像；
从原始图像中获取预设目标区域的目标图像，对目标图像进行标记得到预设目标区域的掩模图；
根据掩模图和原始图像构建图像样本库，通过卷积神经网络模型对图像样本库中的每个图像样本进行训练，得到训练好的图像识别模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将待识别图像输入至训练好的图像识别模型中，通过图像识别模型中识别待处理图像中的带有目标标记的工人，得到待识别图像中的工人数量，工人数量为待识别图像的识别结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将待识别图像输入至训练好的图像识别模型中，通过图像识别模型对待处理图像中的工人体位进行识别，得到工人体位的识别结果；工人体位为攀爬、卧倒或抽烟动作。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将待识别图像输入至训练好的图像识别模型中，通过图像识别模型对待处理图像中的工人着装进行识别，得到待处理图像中的工人着装的识别结果；工人着装包括工人身着安全帽或工作服中至少一种。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
统计待识别图像的方向梯度直方图以及在HSL空间下的颜色直方图；
对方向梯度直方图和颜色直方图分别进行归一化处理，得到归一化方向梯度直方图和归一化颜色直方图；
将归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，得到待识别图像中的分类结果；分类结果用于确定隧道管廊的状态。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
通过识别位置水印，确定位置信息；
根据位置信息从图像识别模型中确定对应的支持向量机；
将归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，得到待识别图像的分类结果，包括：
将归一化方向梯度直方图和归一化颜色直方图输入至支持向量机中，得到待识别图像的分类结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取隧道管廊的待识别图像；
将待识别图像输入至训练好的图像识别模型中进行目标识别，得到待识别图像的识别结果；
根据识别结果生成控制指令，控制指令用于对隧道管廊进行自动监控。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
采集隧道管廊的原始图像；
从原始图像中获取预设目标区域的目标图像，对目标图像进行标记得到预设目标区域的掩模图；
根据掩模图和原始图像构建图像样本库，通过卷积神经网络模型对图像样本库中的每个图像样本进行训练，得到训练好的图像识别模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将待识别图像输入至训练好的图像识别模型中，通过图像识别模型中识别待处理图像中的带有目标标记的工人，得到待识别图像中的工人数量，工人数量为待识别图像的识别结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将待识别图像输入至训练好的图像识别模型中，通过图像识别模型对待处理图像中的工人体位进行识别，得到工人体位的识别结果；工人体位为攀爬、卧倒或抽烟动作。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将待识别图像输入至训练好的图像识别模型中，通过图像识别模型对待处理图像中的工人着装进行识别，得到待处理图像中的工人着装的识别结果；工人着装包括工人身着安全帽或工作服中至少一种。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
统计待识别图像的方向梯度直方图以及在HSL空间下的颜色直方图；
对方向梯度直方图和颜色直方图分别进行归一化处理，得到归一化方向梯度直方图和归一化颜色直方图；
将归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，得到待识别图像中的分类结果；分类结果用于确定隧道管廊的状态。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过识别位置水印，确定位置信息；
根据位置信息从图像识别模型中确定对应的支持向量机；
将归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，得到待识别图像的分类结果，包括：
将归一化方向梯度直方图和归一化颜色直方图输入至支持向量机中，得到待识别图像的分类结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种隧道管廊的图像处理方法，所述方法包括：
获取隧道管廊的待识别图像；
将所述待识别图像输入至训练好的图像识别模型中进行目标识别，得到所述待识别图像的识别结果；
根据所述识别结果生成控制指令，所述控制指令用于对所述隧道管廊进行自动监控。
2.根据权利要求1所述的方法，其特征在于，在所述获取隧道管廊的待识别图像之前，所述方法还包括：
采集隧道管廊的原始图像；
从所述原始图像中获取预设目标区域的目标图像，对所述目标图像进行标记得到所述预设目标区域的掩模图；
根据所述掩模图和所述原始图像构建图像样本库，通过卷积神经网络模型对所述图像样本库中的每个图像样本进行训练，得到训练好的图像识别模型。
3.根据权利要求1所述的方法，其特征在于，所述目标识别为工人数量识别；所述将所述待识别图像输入至训练好的图像识别模型中，通过所述图像识别模型对所述待处理图像中的进行目标识别，得到所述待识别图像的识别结果，包括：
将所述待识别图像输入至训练好的图像识别模型中，通过所述图像识别模型中识别所述待处理图像中的带有目标标记的工人，得到所述待识别图像中的工人数量，所述工人数量为所述待识别图像的识别结果。
4.根据权利要求1所述的方法，其特征在于，所述目标识别为工人体位识别；所述将所述待识别图像输入至训练好的图像识别模型中，通过所述图像识别模型对所述待处理图像中的进行目标识别，得到所述待识别图像的识别结果，包括：
将所述待识别图像输入至训练好的图像识别模型中，通过所述图像识别模型对所述待处理图像中的工人体位进行识别，得到所述工人体位的识别结果；所述工人体位为攀爬、卧倒或抽烟动作。
5.根据权利要求1所述的方法，其特征在于，所述目标识别为工人着装识别；所述将所述待识别图像输入至训练好的图像识别模型中，通过所述图像识别模型对所述待处理图像中的进行目标识别，得到所述待识别图像的识别结果，包括：
将所述待识别图像输入至训练好的图像识别模型中，通过所述图像识别模型对所述待处理图像中的工人着装进行识别，得到所述待处理图像中的工人着装的识别结果；所述工人着装包括工人身着安全帽或工作服中至少一种。
6.根据权利要求1所述的方法，其特征在于，所述目标识别为火灾识别；所述将所述待识别图像输入至训练好的图像识别模型中，通过所述图像识别模型对所述待处理图像中的进行目标识别，得到所述待识别图像的识别结果，包括：
统计所述待识别图像的方向梯度直方图以及在HSL空间下的颜色直方图；
对所述方向梯度直方图和所述颜色直方图分别进行归一化处理，得到归一化方向梯度直方图和归一化颜色直方图；
将所述归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，得到所述待识别图像中的分类结果；所述分类结果用于确定所述隧道管廊的状态。
7.根据权利要求6所述的方法，其特征在于，所述待识别图像中包括位置水印，在所述将所述归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，得到所述待识别图像的分类结果之前，所述方法还包括：
通过识别所述位置水印，确定位置信息；
根据所述位置信息从所述图像识别模型中确定对应的支持向量机；
所述将所述归一化方向梯度直方图和归一化颜色直方图输入至训练好的图像识别模型中，得到所述待识别图像的分类结果，包括：
将所述归一化方向梯度直方图和归一化颜色直方图输入至所述支持向量机中，得到所述待识别图像的分类结果。
8.一种隧道管廊的图像处理装置，其特征在于，所述装置包括：
获取模块，用于获取隧道管廊的待识别图像；
图像识别模块，用于将所述待识别图像输入至训练好的图像识别模型中进行目标识别，得到所述待识别图像的识别结果；
控制模块，用于根据所述识别结果生成控制指令，所述控制指令用于对所述隧道管廊进行自动监控。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010091767.5A CN111401131A (zh) | 2020-02-13 | 2020-02-13 | 隧道管廊的图像处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010091767.5A CN111401131A (zh) | 2020-02-13 | 2020-02-13 | 隧道管廊的图像处理方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111401131A true CN111401131A (zh) | 2020-07-10 |
Family
ID=71430297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010091767.5A Pending CN111401131A (zh) | 2020-02-13 | 2020-02-13 | 隧道管廊的图像处理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111401131A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784914A (zh) * | 2021-01-29 | 2021-05-11 | 长兴云尚科技有限公司 | 一种基于云端处理的管廊视频智能属性检测方法及系统 |
| CN112861681A (zh) * | 2021-01-29 | 2021-05-28 | 长兴云尚科技有限公司 | 一种基于云端处理的管廊视频智能分析方法及系统 |
| CN113313907A (zh) * | 2021-07-30 | 2021-08-27 | 东华理工大学南昌校区 | 基于云服务器的应急保护系统 |
| CN113822227A (zh) * | 2021-10-19 | 2021-12-21 | 杭州交通工程监理咨询有限公司 | 一种隧道工程施工风险监控方法、装置以及介质 |
| WO2023082418A1 (zh) * | 2021-11-09 | 2023-05-19 | 国网江苏省电力有限公司南通供电分公司 | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599780A (zh) * | 2016-10-27 | 2017-04-26 | 国家电网公司 | 一种电网巡检图像智能识别方法及装置 |
| CN109800698A (zh) * | 2019-01-11 | 2019-05-24 | 北京邮电大学 | 基于深度网络的图标检测方法 |
| CN110414320A (zh) * | 2019-06-13 | 2019-11-05 | 温州大学激光与光电智能制造研究院 | 一种安全生产监管的方法及系统 |
-
2020
- 2020-02-13 CN CN202010091767.5A patent/CN111401131A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599780A (zh) * | 2016-10-27 | 2017-04-26 | 国家电网公司 | 一种电网巡检图像智能识别方法及装置 |
| CN109800698A (zh) * | 2019-01-11 | 2019-05-24 | 北京邮电大学 | 基于深度网络的图标检测方法 |
| CN110414320A (zh) * | 2019-06-13 | 2019-11-05 | 温州大学激光与光电智能制造研究院 | 一种安全生产监管的方法及系统 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784914A (zh) * | 2021-01-29 | 2021-05-11 | 长兴云尚科技有限公司 | 一种基于云端处理的管廊视频智能属性检测方法及系统 |
| CN112861681A (zh) * | 2021-01-29 | 2021-05-28 | 长兴云尚科技有限公司 | 一种基于云端处理的管廊视频智能分析方法及系统 |
| CN112861681B (zh) * | 2021-01-29 | 2023-04-07 | 长兴云尚科技有限公司 | 一种基于云端处理的管廊视频智能分析方法及系统 |
| CN112784914B (zh) * | 2021-01-29 | 2023-04-07 | 长兴云尚科技有限公司 | 一种基于云端处理的管廊视频智能属性检测方法及系统 |
| CN113313907A (zh) * | 2021-07-30 | 2021-08-27 | 东华理工大学南昌校区 | 基于云服务器的应急保护系统 |
| CN113822227A (zh) * | 2021-10-19 | 2021-12-21 | 杭州交通工程监理咨询有限公司 | 一种隧道工程施工风险监控方法、装置以及介质 |
| WO2023082418A1 (zh) * | 2021-11-09 | 2023-05-19 | 国网江苏省电力有限公司南通供电分公司 | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111401131A (zh) | 隧道管廊的图像处理方法、装置、计算机设备和存储介质 | |
| CN110807429B (zh) | 基于tiny-YOLOv3的施工安全检测方法及系统 | |
| WO2022160413A1 (zh) | 电力生产异常监控方法、装置、计算机设备和存储介质 | |
| CN112347916B (zh) | 基于视频图像分析的电力现场作业安全监控方法及装置 | |
| CN112364715B (zh) | 核电作业异常监控方法、装置、计算机设备和存储介质 | |
| CN111222423A (zh) | 基于作业区域的目标识别方法、装置、计算机设备 | |
| CN111325128A (zh) | 违规操作检测方法、装置、计算机设备和存储介质 | |
| CN113343779B (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
| CN110458794B (zh) | 用于轨道列车的配件质量检测方法及装置 | |
| CN108121961A (zh) | 巡检行为识别方法、装置、计算机设备和存储介质 | |
| CN108921840A (zh) | 显示屏外围电路检测方法、装置、电子设备及存储介质 | |
| CN109579934A (zh) | 水浸多重监测方法及系统 | |
| CN112001963A (zh) | 消防通道的排查的方法、系统和计算机设备 | |
| CN111860187A (zh) | 一种高精度的佩戴口罩识别方法及系统 | |
| CN117893779A (zh) | 基于机器视觉实现建筑施工下的异常识别方法及系统 | |
| CN113743725B (zh) | 基于边缘计算的登高作业人员的登高资质检测方法及系统 | |
| CN113297913B (zh) | 一种配网现场作业人员穿衣规范的识别方法 | |
| CN114067396A (zh) | 基于视觉学习的居配工程现场试验数字化管理系统及方法 | |
| CN111465045B (zh) | 一种ap的监控方法、监控服务器和监控系统 | |
| CN113314230A (zh) | 基于大数据的智能防疫方法、装置、设备及存储介质 | |
| CN117437749A (zh) | 一种车间安全控制方法及系统 | |
| CN113128760A (zh) | 安全生产的双控管理方法、装置、设备及存储介质 | |
| JP2010140444A (ja) | 検査システム及びその制御方法、コンピュータプログラム | |
| CN114241354A (zh) | 仓库人员行为识别方法、装置、计算机设备、存储介质 | |
| CN114387391A (zh) | 变电站设备的安全监测方法、装置、计算机设备和介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |